В статье описывается новое правило обучения спайковой нейронной сети, основанное на биологическом эффекте пластичности временных задержек на синапсах. С помощью данного правила, спайковая нейронная сеть из трех нейронов была успешно обучена распознавать три контрастных образа.

В прикладных задачах оптимального управления при моделировании движения объектов на плоскости и в пространстве зачастую используются относительно простые модели динамики, например, модель машины Дубинса. Такой объект движется на плоскости с постоянной скоростью и управляется производной угла ориентации этой скорости с помощью воздействия 𝑢(𝑡), причем 𝑢(𝑡) ограниченно по модулю некоторой константой. Соответствующий выбор масштаба координат и времени позволяет без потери общности полагать скорость и минимальный радиус кривизны траектории такой машины единичными.

The task of intercepting a target moving along a rectilinear or circular trajectory by a Dubins’ car is formulated as a problem of time-optimal control with an arbitrary direction of the car’s velocity at the time of interception. To solve this problem and to synthesize interception trajectories, neural network methods of unsupervised learning based on the Deep Deterministic Policy Gradient algorithm are used. The analysis of the obtained control laws and interception trajectories is carried out in comparison with the analytical solutions of the interception problem. Mathematical modeling of the target motion parameters, which the neural network had not previously seen during training, is carried out. Model experiments are conducted to test the stability of the neural solution. The effectiveness of using neural network methods for the synthesis of interception trajectories for given classes of target movements is shown.

Исследуется задача синтеза для билинейной системы управления при произвольных ограниченных внешних возмущениях, содержащую структурированную матричную неопределенность. Поставлены и решены задачи конструктивного построения эллипсоида робастной стабилизируемости и области робастной стабилизируемости билинейной системы как в непрерывном, так и в дискретном времени; основным инструментом при этом является техника линейных матричных неравенств.